基于MODIS影像的藏北高寒草甸的蒸散模拟

付刚，沈振西，张宪洲，武建双，石培礼

（1.中国科学院地理科学与资源研究所 生态系统网络观测与模拟重点实验室 拉萨高原生态系统研究站，北京100101；2.中国科学院研究生院，北京100049）

蒸散（evapotranspiration，ET）包括植被蒸腾（vegetation transpiration）和土壤蒸发（soil evaporation）2个部分，它是一个水从土壤、植被向大气输送的过程。在全球尺度上，几乎2／3的降水将以蒸散的形式归还给大气［1］。同时在大多数生态系统中，蒸散是水分收支平衡关系中的第二大组成部分［2］，因此，蒸散在水循环过程中是一个非常重要的因子。

遥感以其独特的优势为点到面的外推提供了可能，因此，遥感模型被极力推荐作为大区域连续蒸散管理的方法［3，4］。近年来，已有很多研究成功地运用遥感方法对蒸散进行了模拟［1，3，5－12］。

目前，物理模型和经验模型是2种常用的预测蒸散的方法［3］。物理模型是建立在表面能量平衡概念基础上的，通过能量平衡等式对蒸散进行预测。其中，Penman－Monteith模型就是一个被广泛运用的蒸散物理模型［13－16］。但是，Penman－Monteith蒸散模型自身存在缺点，它需要气象数据、空气动力学表面阻力参数作为输入因子［3］，这就限制了该模型的实际运用。而经验模型主要是建立植被指数（vegetation indices，VI）与蒸散间的统计关系并以此为基础对蒸散进行预测。近年来，已有一些研究者成功利用经验统计模型，将涡度相关技术得到的水、碳通量外推到区域尺度。Zhang等［3］在森林生态系统中建立了增强型植被指数（enhanced vegetation indices，EVI）和蒸散间的关系。Nagler等［17］则指出通量观测的蒸散和EVI有着很强的线性关系。Cleugh等［7］则利用通量数据和Penman－Monteith模型对蒸散进行了成功的模拟。这些研究结果为基于遥感和通量观测的蒸散模拟提供了可靠依据。

很多研究并不是直接模拟蒸散，而是利用遥感对蒸散比（蒸散和可利用能量的比值）或者水分利用效率（water use efficiency，WUE）进行估计的方式间接模拟蒸散［1，3，5，11，12］。

高寒草甸是青藏高原典型植被之一，面积约1.2×106km2，相当于西藏全区草地总面积的30.92%；它在亚洲中部高寒环境以及世界高寒地区都具有代表性［18］。因此，对于高寒草甸生态系统的蒸散研究就显得非常有意义。基于此，本研究利用中分辨率成像光谱仪（moderate resolution imaging spectroradiometer，MODIS）影像数据和通量观测数据模拟了藏北高寒草甸生态系统的蒸散。

本研究的蒸散模型是建立在总初级生产力（gross primary productivity，GPP）和 WUE之比的概念上的。首先，利用植被指数和气象数据建立WUE模型，然后利用植被光合模型模拟的GPP和WUE模型对蒸散进行模拟。

1 材料与方法

1.1 研究地概况

通量观测系统（91°04′E，30°30′N）位于拉萨市当雄县草原站，该站距当雄县城约3 km，地处念青唐古拉山的南缘，属丘间盆地类型，地势平坦。当雄县素有拉萨北大门之称，平均海拔4 200 m，位于藏北藏南的交错地带。该地区属于高原性季风气候。降水量有明显的季节之分，80%的降水集中在生长季节的6－8月份。冰冻期较长，持续3个月（11月至翌年1月）。土壤类型为高寒草甸土，土壤厚度30～50 cm。植物根系主要分布在0～20 cm土层内。植被类型属于典型的藏北嵩草草甸植被，主要的植被类型有藏北嵩草（Kobresialittledalei）沼泽草甸和草原化小嵩草（K.parva）草甸。草原化小嵩草草甸的建群种主要有小嵩草、丝颖针茅（Stipacapillacea）、窄叶苔草（Carexmontis－everestii）等，伴生有多种密丛生嵩草。

1.2 野外数据

通量数据和气象数据取自当雄通量观测系统，该通量观测系统以开路涡度相关系统（open－path eddy covariance system）为主，并对常规气象要素进行观测。该系统自2003年7月份开始运行。常规气象要素主要包括光合有效辐射、空气温／湿度、水汽压、降水量、土壤温／湿度和显热／潜热通量等。

本研究将光合有效辐射（photosynthetically active radiation，PAR）＞10μmol／（m2·s）时作为白天，而光合有效辐射（PAR）≤10μmol／（m2·s）时作为晚上。摩擦风速u＊的阈值采用了0.15 m／s。本研究假定白天和晚上的生态系统呼吸对温度的响应一致，因此，可以利用晚上的生态系统呼吸模拟方程和白天的土壤温度估计白天的生态系统呼吸。首先，利用Van’t Hoff指数关系，将晚上的u＊＞0.15 m／s的净生态系统交换量（nighttime net ecosystem exchange，NEEn）数据和土壤5 cm 处的温度（soil temperature，Ts）进行拟合，式（1）。然后根据拟合的方程和白天5 cm的土壤温度估计白天的生态系统呼吸（ecosystem respiration，Re），用白天的净生态系统交换量（daytime net ecosystem exchange，NEEd）减去估计的白天的生态系统呼吸（Re）就可以得到总初级生产力GPP，式（2）。利用GPP和PAR的关系，可以对缺失的GPP进行插补，进而可以将GPP合成为每8 d的GPP，从而可以与MODIS数据进行匹配。

本研究中的生态系统水平的水分利用效率WUE（g C／mm H2O）指的是每8 d的GPP和ET之比。利用通量观测系统可以得到每8 d的GPPEC和ETEC，进而可以求得通量观测的水分利用效率（WUEEC）。

1.3 MODIS数据及植被指数

本研究利用了MODIS的MOD09A1数据产品，该产品包括每8 d的7个波段的反射率值和一些质量控制数据等。这7个波段分别对应可见光波段的红波段（620～670 nm）、蓝波段（459～479 nm）、绿波段（545～565 nm），2个近红外波段（841～876 nm，1 230～1 250 nm）和2个短波红外波段（1 628～1 652 nm，2 105～2 155 nm）。本研究利用了红波段、近红外波段（841～876 nm）、蓝波段和短波红外波段（1 628～1 652 nm）分别计算了归一化植被指数（normalized difference vegetation indices，NDVI）、增强型植被指数（enhanced vegetation indices，EVI）和陆地表面水分指数（land surface water indices，LSWI）。

式中，ρred、ρnir和ρblue分别是 MODIS传感器第1，2和3波段的数据，而ρswir是第6波段的数据。系数G＝2.5，C1＝6，C2＝7.5，L＝1［19，20］，其中C1和C2是气溶胶等大气影响物的校正系数；L是冠层背景和雪覆盖校正系数［19，21］。

1.4 模型的构建

蒸散ET是利用GPP和WUE得到的，即：

GPP是通过光合植被模型（vegetation photosynthetic model，VPM）估计的。式中，VIs表示植被指数，Ta表示空气温度。关于VPM的详细介绍可参照Xiao等［22－25］文献。

为了得到WUE方程，即方程（7），对通量塔观测的生长季节（5－10月）的水分利用效率（WUEEC）和植被指数（NDVI、EVI和LSWI）的关系，以及 WUEEC和气象数据［包括光合有效辐射（photosynthetically active radiation，PAR）、空气温度（air temperature，Ta）、空气相对湿度（relative air humidity，Ha）、土壤含水量（soil water content，SWC）、水汽压（vapor pressure，Pv）、降水（precipitation，Precip）、潜热通量（latent heat flux，LE）和显热通量（sensible heat flux，H）］的关系进行了分析。

2 结果与分析

2.1 水分利用效率的模拟

简单的线性相关分析表明，WUE和 NDVI（r＝0.616）、EVI（r＝0.584）、LSWI（r＝0.472）、SWC（r＝0.414）、H（r＝－0.587）以及PAR（r＝－0.461）都达到了极显著水平；并且和 Ha（r＝0.350）、Pv（r＝0.345）也达到了显著性水平；而和 Ta（r＝0.145）、Precip（r＝0.236）、LE（r＝－0.058）没有达到显著性水平。

NDVI、EVI、LSWI、SWC、H、PAR、Ha和Pv（这8个因子和WUE的相关性都达到了显著性水平）的相关分析结果表明（表1），每个因子都至少和其中4个其他因子的相关性达到了显著或极显著水平，说明没有必要将这8个因子同时用来模拟WUE，而只需要从中筛选出1～3个因子即可。所采用的筛选方法是多重逐步线性回归分析，使用软件是SAS 9.1。

表1 与水分利用效率有显著相关关系的8个因子间的相关分析Table 1 Correlation analysis among 8 factors which all have significant correlation with water use efficiency

鉴于截距项可能会影响自变量因子进入回归方程的机会，因此，对有截距项和无截距项2种情况分别进行了多重逐步线性回归分析。无论是否考虑截距项，都是NDVI入选，决定系数R2分别为0.362 6（有截距项）和0.893 0（无截距项）；且考虑截距项时，截距项并没有达到显著水平（P＝0.861 7），说明，此时截距项对解释 WUE意义不大，因此，本研究只考虑没有截距项的NDVI模拟的 WUE回归方程（WUENDVI＝1.255 0NDVI，P＜0.000 1，n＝46）。

如果只对气象因子（SWC、H、PAR、Ha和Pv）和WUE进行多重逐步线性回归分析，则考虑截距项时，H入选（WUEH＝－0.010 8H＋0.741 1，R2＝0.326 4，P＝0.000 1，n＝46）；而不考虑截距项时，Ha入选（WUEHa＝0.629 7Ha，R2＝0.848 6，P＜0.000 1，n＝46）。因此，虽然 Ha和 WUE的相关系数的绝对值小于 H 和 WUE的绝对值，但Ha比H更能解释WUE的变异程度。

H和Ha都能够在一定程度上解释WUE的变异性，但是如果将两者同时引入到WUE回归方程中，会使得其中一个因子的估计值不能达到显著水平，这可能与两者的相关性较高有关（r＝－0.785，P＜0.01）。

简单线性相关分析和多重逐步线性回归分析结果表明，不同因子对WUE的影响程度不同。

2.2 水分利用效率（WUE）的季节变化和年际动态

经T检验，WUEEC和 WUENDVI、WUEHa都没有显著性差异，而和 WUEH有显著性差异，这可能和 WUE模拟方程的R2值有关（NDVI和Ha模拟的方程的R2值都在0.8以上，而H模拟的R2值则不到0.33）。同时，WUENDVI和WUEHa也没有显著性差异，且都与WUEH有显著性差异。这表明，H对WUE的模拟效果最差。

WUEEC和模拟的水分利用效率（WUENDVI、WUEHa和 WUEH）都表现出了明显的季节变化（图1，表2）：基本上为单峰曲线，峰值一般出现在生长旺季的7－8月份；总的来说，返青期（第121～152天）和枯黄期（第249～304天）都比生长期（第153～248天）的小。

图1 通量观测的水分利用效率和模拟的水分利用效率的季节变化Fig.1 Seasonal change of observed water use efficiency and modeled water use efficiency

2004－2005年WUE的年际变化趋势（表2）是：返青期，除了2004年的 WUEEC大于2005年的 WUEEC外，模拟值都是2004年的小于2005年；生长期的值则都是2004年的大于2005年；枯黄期，WUEEC和WUEH都是2004年的大于2005年，而WUENDVI和WUEHa则是2004年的小于2005年。

2.3 蒸散（ET）的季节变化和年际动态

通量观测的蒸散（ETEC）和模拟的蒸散（ETNDVI、ETHa和ETH）的季节变化趋势一致（图2，表3）：ET曲线为单峰曲线，模拟的ET曲线峰值出现在生长旺季的7－8月份；返青期（第121－152天）和枯黄期的值（第249－304天）都比生长期（第153－248天）的小。

2004－2005年ET的年际变化趋势（表3）是：返青期的值都是2004年的大于2005年；生长期，除了2004年的ETNDVI小于2005年外，ETEC、ETHa和ETH都是2004年的大于2005年；枯黄期则都是2004年的小于2005年。2005年返青期的ETHa和ETH的平均数小于其标准差（表3），这说明Ha和H对返青期的ET的模拟效果较差。

表2 不同物候期的水分利用效率比较Table 2 Different phonological water use efficiency g C／mm H2 O

图2 通量观测的蒸散和模拟的蒸散季节变化Fig.2 Seasonal change of observed evapotranspiration and modeled evapotranspiration

2004和2005年枯黄期的最后一个8天（第297～304天）的ET量都为0（图2），这主要是因为用VPM估计GPP时，由于此阶段的空气温度已经低于本研究在该模型中设定的最小空气温度（0℃），从而使得此时的GPP值为0。

2004年和2005年生长季节（5－10月份）的 ETEC、ETNDVI、ETHa和 ETH总量分别为541.716，678.646，713.321，1 081.969和407.042，697.108，655.209，1 026.448 mm H2O／m2。这些数据表明，模拟的生长季节的ET总量大于ETEC总量，其中ETH总量最大；除了ETNDVI外，2005年生长季节的ET总量小于2004年的；2004年生长季节的ETNDVI总量小于ETHa总量，而2005年生长季节的ETNDVI总量则大于ETHa总量。

2.4 观测的蒸散（ETEC）和模拟的蒸散（ET H、ET Ha和ET NDVI）的比较

通量观测的蒸散（ETEC）和模拟的蒸散（ETH、ETHa和ETNDVI）的简单线性回归（图3，表4）表明，2004年的模拟值比2005年的更接近于ETEC，即2004年的模拟结果好于2005年的；ETHa和ETNDVI比较接近，且都小于ETH，即H的模拟效果最差，这与前面提到的H对WUE的模拟效果最差一致；2004年NDVI的模拟效果好于Ha的模拟效果，而2005年则是Ha的模拟效果好于NDVI的。

2004－2005年2个生长季的ETEC和ETHa、ETNDVI的线性回归方程分别是ETHa＝1.311 8ETEC（R2＝0.748 7，n＝46，P＜0.000 1）和 ETNDVI＝1.298 5ETEC（R2＝0.802 9，n＝46，P＜0.000 1），表明NDVI的模拟效果好于Ha。

表3 不同物候期的蒸散比较Table 3 Different phonological evapotranspirationmm H 2 O／m2·d

图3 通量观测的蒸散和模拟的蒸散的线性拟合Fig.3 Linear fitting between modeled evapotranspiration and observed evapotranspiration

为了定量分析蒸散差值（ETEC－ETHa和ETEC－ETNDVI）的影响因子，本研究对蒸散差值和一些可能会造成该差值的11个因子（包括 WUEHa／WUENDVI、GPPVPM、NDVI、LSWI、EVI、SWC、PAR、Ha、Pv、H 和LE）进行了简单的线性相关分析和多重逐步线性回归分析。

简单的相关分析表明：ETEC－ETHa和PAR、GPPVPM、NDVI、EVI、LSWI、WUENDVI的相关性分别都达到了显著或极显著水平，和其他5个因子的相关性没有达到显著性水平；而ETEC－ETNDVI和Ha、PAR、GPPVPM、WUEHa的相关性分别都达到了极显著水平，和其他7个因子的相关性没有达到显著性水平。

多重逐步线性回归分析结果表明，ETEC－ETHa和ETEC－ETNDVI的回归方程分别是ETEC－ETHa＝0.045 7PAR＋2.405 4GPPVPM－4.606 4EVI－0.046 4LE （R2＝0.942 5，P＜0.000 1，n＝46）和ETEC－ETNDVI＝0.050 1PAR＋1.322 0 GPPVPM－1.839 1EVI－0.036 3LE（R2＝0.908 4，P＜0.000 1，n＝46）。

3 讨论

3.1 水分利用效率（WUE）的影响因子

影响WUE的因子很多，包括来自植物的内在因子和来自环境的外在因子［26，27］。不同的研究者对此的看法不尽相同。黄立华等［28］在对羊草（Leymuschinensis）受苏打盐碱胁迫下的 WUE进行研究时指出，随着盐碱迫害程度的增大，WUE有所提高。刘国利等［29］在研究紫花苜蓿（Medicagosativa）WUE时指出，水分胁迫可提高紫花苜蓿的 WUE。孙洪仁等［30］指出，紫花苜蓿不同茬次间的 WUE有差异。郑有飞等［31］对小麦（Triticumaestivum）的 WUE的研究结果显示，影响WUE的主要因子为光照、相对湿度、气孔传导率和土壤肥力等。杨秀芳等［32］则指出，WUE随光合有效辐射通量密度的增大呈抛物线状变化。Hatfield等［33］指出土壤管理措施（如耕种）能够增加25%～40%的WUE。邵新庆等［34］则认为麦草覆盖和免耕技术是提高WUE的重要措施之一。Oweis等［35］研究表明，WUE受灌溉、氮素和播种期的影响。Alfieri等［1］在用植被蒸腾模型对美国大平原草地的蒸腾效率进行模拟时，则假定WUE是个恒值。Zhang等［3］在对长白山地区森林的ET进行遥感模拟时指出，ET和NDVI、EVI以及空气温度的相关性很高，且和EVI的关系强于和NDVI的关系。

本研究结果表明，WUE和NDVI的关系最为密切；在只考虑气候因子的情况下，WUE和H、Ha的关系最为密切。WUE和NDVI的相关关系强于WUE和EVI的，这一点和Zhang等［3］的结果恰好相反，这可能和植被类型有关［36－40］，本试验研究的是藏北地区的高寒草甸，而Zhang等［3］研究的是东北地区长白山的森林植被。除此之外，WUE还受到CO2的影响［41］。

表4 通量观测的蒸散和模拟的蒸散的线性回归方程（n＝23）Table 4 Linear regression equations between observed evapotranspiration and modeled evapotranspiration from 2004 to 2005，respectively

3.2 通量观测的蒸散（ETEC）和模拟的蒸散（ETHa和ET NDVI）

简单的线性相关分析和多重逐步回归分析结果都显示NDVI是最好的模拟WUE的因子。虽然2004年NDVI的ET模拟效果好于Ha的模拟效果，而2005年则是Ha的模拟效果好于NDVI的，但是综合2004和2005年2个生长季节的ET数据，可以得到NDVI的模拟效果好于Ha的。总之，在研究的时间段内，NDVI是反应高寒草甸植被生态系统的WUE和ET的最好因子。

模拟的蒸散值大于通量观测值（图2，表4），尤其是2005年的更为明显，即观测的蒸散和模拟的蒸散间存在着不一致。产生不一致的可能原因来自2个方面，一是WUE的模拟；二是GPP的模拟。WUE的模拟是基于NDVI或气候数据（Ha和H）；GPP的模拟是基于VPM。所有影响WUE和GPP模拟的因子都可能造成观测蒸散和模拟蒸散间的不一致。虽然NDVI或Ha模拟的WUE方程能够解释84%以上的WUE变异，且模拟的水分利用效率（WUENDVI和WUEHa）和观测的水分利用效率（WUEEC）间差异不显著，但是模拟的水分利用效率并没有100%解释WUEEC的变异，即模拟的水分利用效率和WUEEC间仍存在某种或几种因素能够解释不足16%的WUEEC变异。植被光合模型模拟的总初级生产力（GPPVPM）和通量观测的总初级生产力（GPPEC）两者间的差异并不显著，但该差异仍可能会对蒸散的模拟造成影响，关于可能会对GPP的模拟产生影响的因素的相关介绍可参照 Xiao等的研究［22－25］。

观测的蒸散和模拟的蒸散的差值（ETEC－ETHa和ETEC－ETNDVI）的多重逐步线性回归分析结果显示，观测的蒸散和模拟的蒸散间的差异主要由PAR、GPPVPM、EVI和LE共同解释（R2＞0.90）。与此同时，相关分析结果表明，ETEC－ETHa和其中的PAR、GPPVPM、EVI的相关性分别都达到了显著性水平；而ETEC－ETNDVI和其中的PAR、GPPVPM的相关性分别都达到了极显著水平。因此，ETEC－ETHa主要受PAR、GPPVPM和EVI的影响；而ETEC－ETNDVI主要受PAR和GPPVPM的影响。GPP是ET模拟中的一个关键因子，因此，GPP对观测蒸散和模拟蒸散间的不一致可能会产生影响。PAR不仅是VPM中的一个重要参数［22－25］，对于GPPVPM的模拟有直接影响，而且和WUE的相关性达到了极显著水平，即PAR对于本研究所采用的蒸散模拟方法中的GPP和WUE都会产生影响。在VPM中，EVI被用来估计冠层尺度的叶绿素吸收的PAR的比例［22－25］，是GPPVPM模拟的一个重要因子，同时EVI和WUE的相关性达到了极显著水平，因此，对于观测蒸散和模拟蒸散间的不一致也可能会产生一定的影响。总之，对于观测的蒸散和模拟的蒸散间的不一致而言，PAR和GPPVPM是2个非常重要的因子。

4 结论

影响水分利用效率（WUE）的植被指数主要为NDVI，其模拟的水分利用效率（WUENDVI）和通量观测的水分利用效率（WUEEC）间差异不显著。

影响WUE的气象因子主要是Ha和H，其中Ha模拟的水分利用效率（WUEHa）和WUEEC差异也不显著，而H模拟的水分利用效率（WUEH）和WUEEC差异显著。

WUE和ET都存在着季节变化和年际动态，它们的季节变化趋势为单峰曲线，峰值一般出现在生长旺季的7－8月份。2004年NDVI的ET模拟效果好于Ha的模拟效果，而2005年则是Ha的模拟效果好于NDVI的，因此，模拟的2004和2005年生长季节的ET总量分别为678.646 mm H2O／m2（来自NDVI的模拟结果）和655.209 mm H2O／m2（来自 Ha的模拟结果）。

通量观测的蒸散（ETEC）和NDVI模拟的蒸散（ETNDVI）间的差异ETEC－ETNDVI主要受PAR和GPPVPM的影响；而ETEC和Ha模拟的蒸散（ETHa）间的差异ETEC－ETHa主要受PAR、GPPVPM和EVI的影响。

［1］Alfieri J G，Xiao X M，Niyogi D，etal.Satellite－based modeling of transpiration from the grasslands in the Southern Great Plains，USA［J］.Global and Planetary Change，2009，67：78－86.

［2］Nachabe M，Shah N，Ross M，etal.Evapotranspiration of two vegetation covers in a shallow water table environment［J］.Soil Science Society of America Journal，2005，69（2）：492－499.

［3］Zhang J H，Hu Y L，Xiao X M，etal.Satellite－based estimation of evapotranspiration of an old－growth temperate mixed forest［J］.Agricultural and Forest Meteorology，2009，149：976－984.

［4］Verstraeten W W，Veroustraete F，Feyen J.Estimating evapotranspiration of European forest from NOAA－imagery at satellite overpass time：Towards an operational processing chain for integrated optical and thermal sensor data products［J］.Remote Sensing of Environment，2005，96（2）：256－276.

［5］Venturim V，Islam S，Rodriguez L.Estimation of evaporative fraction and evapotranspiration from MODIS products using a complementary based model［J］.Remote Sensing of Environment，2008，112：132－141.

［6］Suleiman A，Crago R.Hourly and daytime evapotranspiration from grassland using radiometric surface temperatures［J］.Agronomy Journal，2004，96：384－390.

［7］Cleugh H A，Leuning R，Mu Q Z，etal.Regional evaporation estimates from flux tower and MODIS satellite data［J］.Remote Sensing of Environment，2007，106：285－304.

［8］Holifield C D，McElroy S，Moran M S，etal.Temporal and spatial changes in grassland transpiration detected using Landsat TM and ETM＋imagery［J］.Canadian Journal of Remote Sensing，2003，29：259－270.

［9］Nishida K，Nemani R R，Running S W，etal.An operational remote sensing algorithm of land surface evaporation［J］.Journal of Geophysical Research，2003，108：1－14.

［10］Kustas W P，Norman J M.Use of remote sensing for evapotranspiration monitoring over land surfaces［J］.Hydrological Sciences，1996，41（4）：495－516.

［11］Batra N，Islam S，Venturini V，etal.Estimation and comparison of evapotranspiration from MODIS and AVHRR sensors for clear sky days over the Southern Great Plains［J］.Remote Sensing of Environment，2006，103：1－15.

［12］Venturini V，Bisht G，Islam S，etal.Comparison of evaporative fractions estimated from AVHRR and MODIS sensors over South Florida［J］.Remote Sensing of Environment，2004，93：77－86.

［13］da Silva V D R，de Azevedo P V，da Silva B B.Surface energy fluxes and evapotranspiration of a Mango Orchard grown in a semiarid environment［J］.Agronomy Journal，2007，99：1391－1396.

［14］Granger R J，Gray D M.Evaporation from natural nonsaturated surfaces［J］.Journal of Hydrology，1989，111：21－29.

［15］Tolk J A，Howell T A，Evett S R.Nighttime evapotranspiration from Alfalfa and Cotton in a semiarid climate［J］.Agronomy Journal，2006，98：730－736.

［16］Lascano R J，van Bavel C H M.Explicit and recursive calculation of potential and actual evapotranspiration［J］.Agronomy Journal，2007，99：585－590.

［17］Nagler P L，Glenn E P，Kim H，etal.Relationship between evapotranspiration and precipitation pulses in a semiarid rangeland estimated by moisture flux towers and MODIS vegetation indices［J］.Journal of Arid Environment，2007，70（3）：443－462.

［18］徐玲玲，张宪洲，石培礼，等.青藏高原高寒草甸生态系统表观量子产额和表观最大光合速率的确定［J］.中国科学，2004，34（增刊Ⅱ）：125－130.

［19］Justice C O，Vermote E，Townshend J R G，etal.The moderate resolution imaging spectroradiometer（MODIS）：Land remote sensing for global change research［J］.IEEE Transactions on Geo－science and Remote Sensing，1998，36：1228－1249.

［20］Xiao X M，Braswell B，Zhang Q Y，etal.Sensitivity of vegetation indices to atmospheric aerosols：Continental－scale observations in Northern Asia［J］.Remote Sensing of Environment，2003，84：385－392.

［21］Huete A，Didan K，Miura T，etal.Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote Sensing of Environment，2002，83：195－213.

［22］Xiao X M，Zhang Q Y，Hollinger D，etal.Modeling gross primary production of an evergreen needleleaf forest using MODIS and climate data［J］.Ecological Applications，2005，15：954－969.

［23］Xiao X M，Zhang Q Y，Saleska S，etal.Satellite－based modeling of gross primary production in a seasonally moist tropical evergreen forest［J］.Remote Sensing of Environment，2005，94：105－122.

［24］Xiao X M，Hollinger D，Aber J D，etal.Satellite－based modeling of gross primary production in an evergreen needle leaf forest［J］.Remote Sensing of Environment，2004，89：519－534.

［25］Xiao X M，Zhang Q Y，Braswell B，etal.Modeling gross primary production of temperature deciduous broadleaf forest using satellite images and climate data［J］.Remote Sensing of Environment，2004，91：256－270.

［26］李荣生，许煌灿，尹光天，等.植物水分利用效率的研究进展［J］.林业科学研究，2003，16（3）：366－371.

［27］张岁岐，山仑.植物水分利用效率及其研究进展［J］.干旱地区农业研究，2002，20（4）：1－5.

［28］黄立华，梁正伟，马红媛.苏打盐碱胁迫对羊草光合、蒸腾速率及水分利用效率的影响［J］.草业学报，2009，18（5）：25－30.

［29］刘国利，何树斌，杨惠敏.紫花苜蓿水分利用效率对水分胁迫的响应及其机理［J］.草业学报，2009，18（3）：207－213.

［30］孙洪仁，张英俊，历卫宏，等.北京地区紫花苜蓿建植当年的耗水系数和水分利用效率［J］.草业学报，2007，16（1）：41－46.

［31］郑有飞，万长建，颜景义，等.小麦的水分利用效率及其最优化问题［J］.中国农业气象，1997，18（4）：13－17.

［32］杨秀芳，玉柱，徐妙云，等.2种不同类型的尖叶胡枝子光合－光响应特性研究［J］.草业科学，2009，26（7）：61－65.

［33］Hatfield J L，Sauer T J，Prueger J H.Managing soils to achieve greater water use efficiency：A Review［J］.Agronomy Journal，2001，93：271－280.

［34］邵新庆，沈禹颖，王堃.水土保持耕作对夏种大豆光合、蒸腾及水分利用效率的影响［J］.草业学报，2005，14（6）：82－86.

［35］Oweis T，Zhang H P，Pala M.Water use efficiency of rainfed and irrigated bread wheat in a Mediterranean Environment［J］.Agronomy Journal，2000，92：231－238.

［36］渠春梅，韩兴国，苏波，等.云南西双版纳片断化热带雨林植物叶片δ13C值的特点及其对水分利用效率的指示［J］.植物学报，2001，43（2）：186－192.

［37］Farquhar G D，O’Leary M H，Berry J A.On the relationship between carbon isotope discrimination and intercellular carbon dioxide concentration in leaves［J］.Australian Journal of Plant Physiology，1982，9：121－137.

［38］王月福，于振文，潘庆民.土壤水分胁迫对耐旱性不同的小麦品种水分利用效率的影响［J］.山东农业科学，1998，（3）：5－7.

［39］蒋高明，何维明.毛乌素沙地若干植物光合作用、蒸腾作用和水分利用效率种间及生境差异［J］.植物学报，1999，41（10）：1114－1124.

［40］Nobel P S.Achievable productivities of certain CAM plants：Basis for high values compared with C3and C4plants［J］.New Phytologist，1991，119：183－205.

［41］Allen L H，Pan D Y，Boote K J，etal.Carbon dioxide and temperature effects on evapotranspiration and water use efficiency of soybean［J］.Agronomy Journal，2003，95：1071－1081.